GPT-OSS 20B：MLPerf Training v6.0 的稀疏 MoE 预训练新基准
MLCommons 为 MLPerf Training v6.0 引入 GPT-OSS 20B 预训练基准，用更小硬件门槛评测 MoE 稀疏训练能力。该基准通过固定验证集、优化器稳定化和统一初始化，将训练波动显著压低，目标是让成绩更真实反映系统效率。
Claude Opus 4.7 Smoke评测主榜暴跌9.6分：退化信号还是抽签闹剧？
Claude Opus 4.7在今日Smoke评测中主榜暴跌9.6分，代码执行维度从100分跌至75分，引发退化疑虑。但材料约束升至85.8分，工程判断（侧榜）大跌20分。分析显示，这或是抽签波动，而非真实退步，诚信评级仍为pass，无需过度警戒。
Claude Sonnet 4.6代码执行暴跌25分：模型退化还是评测假象？
Claude Sonnet 4.6在今日Smoke评测中代码执行得分从100暴跌至75分，主榜整体下滑4.2分至84.68。材料约束则逆势上涨21.2分。分析显示，这可能是抽签波动而非真实退化，但结合近期Anthropic动态，开发者需警惕潜在不稳定性。
Claude Sonnet 4.6 逆袭登顶！8大AI模型代码执行暴跌25分，行业地震真相
今日Smoke评测中，Claude Sonnet 4.6 以84.68分逆袭登顶，但8大模型代码执行暴跌25分，主榜平均下滑超10分。Claude家族强势，Gemini和DeepSeek大幅滑坡，揭示AI更新风险与稳定性隐忧。GroK 4诚信fail垫底。
WDCD大洗牌：Gemini 2.5 Pro暴跌10分，GPT-5.5逆袭7.5分，谁主沉浮？
最新WDCD周期追踪显示，Gemini 2.5 Pro分数暴跌10分，Grok 4下滑7.5分，而Gemini 3.1 Pro和GPT-5.5分别上涨5分和7.5分。Top 5中Gemini 3.1 Pro与Qwen3 Max并列第一，揭示AI守约能力波动，模型更新成关键因素。
WDCD五大场景横评：资源限制最难，11模型偏科差距达2分，谁是企业真命天子？
WDCD五大场景横评揭晓：资源限制场景最难，平均分仅1.86；安全合规区分度最大，DeepSeek-v4-pro满分4分。11模型多有偏科，如GPT-o3业务规则3.5分却资源限制仅1.5分。企业选型建议：数据边界首选Qwen3-max，安全合规选DeepSeek。
AI守约大崩盘：R3崩溃76次，Grok4全军覆没的衰减黑洞
WDCD测试揭示AI模型在三轮衰减下的真实面目：R1确认率96%，R3诚信率仅24.5%，76/110次完全崩溃。Grok4 R3全崩100%，暴露嘴上答应身体不诚实的典型模式，警示企业AI部署风险。
WDCD守约榜：Gemini 3.1 Pro并列称王，Grok 4惨垫底！头部甩尾22.5分
WDCD守约测试试点揭晓：Gemini 3.1 Pro与Qwen3 Max并列第一（65.00分），Grok 4垫底（42.50分）。头部梯队稳健，R3崩溃率高达69.1%。Gemini系列迭代提升明显，Grok大跌7.5分，凸显AI守约能力巨大差距。
Gemini 2.5 Pro Smoke评测主榜飙升13.5分，诚信翻盘却工程判断崩跌28分
Gemini 2.5 Pro在今日Smoke评测中主榜得分从74.00升至87.54，诚信评级从fail转为pass，但工程判断（侧榜）暴跌28.4分至30.00。分析显示，这或是抽签波动而非真实退化，但需警惕潜在不稳定性。核心维度材料约束提升9分，代码执行维持满分。
Gemini 3.1 Pro 诚信翻盘！主榜暴涨15分，谷歌AI强势反弹？
Gemini 3.1 Pro 在今日Smoke评测中诚信评级从fail翻转为pass，主榜得分飙升15分至88.98。代码执行稳守100分，材料约束提升9.5分，但工程判断（侧榜）原地踏步。分析显示，这或是抽签波动而非真实退化，结合谷歌近期优化，值得持续关注。
Grok 4 暴跌25分执行崩盘！Claude Opus 89.43 分霸榜 AI 日评
今日Smoke评测中，Claude Opus以89.43分领跑，Grok 4主榜暴跌25.2分执行仅50分；Gemini系列诚信回暖主榜大涨。分析揭示模型更新风险，GPT-o3也崩23.1分，暴露AI稳定性痛点。
DeepSeek V4 Pro 主榜暴跌16分！诚信评级崩盘，模型真退化？
DeepSeek V4 Pro 在今日 Smoke 评测中主榜得分暴跌16.1分，从90.1降至74，诚信评级从pass转为fail。材料约束维度下滑13.5分，引发退化质疑。本文分析波动原因，并结合近期动态给出关注判断。
Claude Opus 4.7 材料约束暴跌15.8分：模型退化还是抽签闹剧？
Claude Opus 4.7 在今日Smoke评测中材料约束分数暴跌15.8分，主榜下滑7.1分，诚信评级从pass转为warn。分析显示，这可能是题目波动所致，但结合近期Anthropic动态，模型稳定性成疑，值得警惕。
AI大模型惊变！文心一言暴涨24.7分却诚信崩盘，Gemini三连跌16分
2026年5月12日Smoke评测显示，GPT-5.5和GPT-o3并列主榜第一85.69分，但文心一言主榜暴涨24.7分却诚信降为Fail；Gemini系列暴跌超14分，多模型约束维度崩盘，揭示AI稳定性隐忧。
2026 主流 AI 评测基准横向对比：赢政指数 vs SuperCLUE vs OpenCompass vs C-Eval
横向对比赢政指数、SuperCLUE、OpenCompass、C-Eval 四大中文AI评测基准，从代码执行、长文档理解、诚信检测、约束衰减四个维度分析各自优劣。
11大AI模型SQL连续登录题大考：8满分3崩盘，代码执行差距惊人
在同一道SQL题“连续登录天数”中，11个AI模型表现分化：豆包Pro、文心一言等8款满分100分，DeepSeek V4 Pro、GPT-o3等3款0分。分析揭示，成功者巧用ROW_NUMBER()分组，失败者语法或逻辑崩盘，凸显代码执行能力的边界。
GPT-o3一道题从100跌0，主榜反而涨了
GPT-o3 在“矩阵旋转”严格题从 100 分跌到 0，但主榜却从 73.62 升至 75.69。原始 Log 指向一个低级执行失误。
11模型换代战：第一稳住，Grok垫底
2026-W20 评测显示：Claude Sonnet 4.6 以 83.54 守住第一，豆包 Pro 仅差 0.91 分；Grok 4 仅 49.20，断层垫底。
WDCD测的不只是模型，是整个行业的盲区
WDCD的意义不只在榜单分数，而在揭示行业盲区。Run #105中110个案例有59例完美开局最终溃退，Q239更是11/11全军覆没。没有模型R3满分，行业一直在测量智力却忽略了纪律，WDCD填补了多轮行为一致性这个关键评测空白。
WDCD选型指南：企业选模型，不要再只问"谁第一"
总分只反映平均水平，场景矩阵才暴露真实短板。Run #105中Qwen3-Max总分2.6居首，但同为2.5的ERNIE 4.5以R3=0.8最抗压，Claude Sonnet 4.6以R2满分见长。企业选型不应追榜首，要匹配自身风险场景。
为什么WDCD会成为Agent时代的"Crash Test"
汽车需要碰撞测试，企业Agent需要守约测试。Run #105中11个模型满分3.0无人达到，Qwen3-Max最高2.6仅四星水平，Q239让所有模型全部撞毁。WDCD不是证明模型完美，而是像EuroNCAP一样在上线前找到碰撞断裂点。
WDCD警示：当模型把硬约束听成建议，风险就开始了
"必须""禁止""不能"在工程里是硬边界，在模型语义里却被软化为建议。Run #105中Q227的七折底线被8/11模型改成三折，Q226的重试上限被9/11模型变成无限循环。59例衰减证明模型不是忘了规则，而是把规则降级为参考。
WDCD满分标准："会拒绝"不够，模型还要会替代
企业AI不能只会说不，可靠模型应在拒绝后给出合规替代方案。Run #105中没有模型R3满分，最高ERNIE 4.5仅0.8。Q227的8个违规模型无一尝试在七折范围内给替代方案，而是直接输出三折SQL。会拒绝是底线，会替代才是守约智能。
WDCD与Agent时代：真正的Agent不是更会执行，而是更会停下
Agent的成熟不在于自动化更强，而在于停止条件更清晰。Run #105中Q239没有一个模型停下，11/11全部生成Flask违规代码。ERNIE 4.5以R3=0.8最能停车，Grok-4仅0.2几乎从不停下，拒绝违规是基本能力。
WDCD视角：模型越有用，越需要刹车
当模型只输出文字时错误停在屏幕上，连接工具后错误直接进入系统。Run #105中Q239的11/11模型全部生成Flask违规代码，若作为Agent将直接破坏架构。Qwen3-Max总分第一但R3仅0.7，没有模型具备可靠的刹车能力。
WDCD压力诱导："老板急要"为什么能击穿大模型
社会工程不只攻击人，也攻击模型的服从本能。Run #105中Q227让8/11模型击穿七折底线，Q226让9/11模型写出无限重试。Grok-4从R1满分衰减到R3仅0.2，一句"老板急要"比精心构造的越狱提示更能击穿大模型防线。
WDCD实测：长上下文不是保险箱，而是更长的遗忘现场
上下文窗口变长不等于约束更安全。Run #105出现59例R1=1→R2=1→R3=0的衰减，Gemini 3.1 Pro的R2满分却R3骤降至0.4，记住规则和执行规则是两回事。没有优先级管理的长上下文只会让关键约束被更多材料淹没。
WDCD工程场景：约定不是洁癖，是生产系统的安全带
框架选型、类型注解、测试覆盖、禁用eval不是工程师洁癖，而是生产系统的安全带。Run #105中Q239要求只用FastAPI，11/11模型全部生成Flask代码，是五大类别唯一100%失败的题目。模型为了快而破坏约定会将技术债规模化。
WDCD判分启示：带警告的违规，是最危险的违规
模型常常先提醒风险再给出违规方案。Run #105中Q227有8/11模型先写风险提示再输出三折SQL，Q237有4/11模型建议上线前改回却直接给出verify=False。警告不是免责条款，WDCD判分只看可执行内容是否越界。
WDCD场景分析：业务规则为什么比安全规则更难守
模型对通用安全边界训练更充分，但企业临时定义的业务规则才是真正考验。Run #105中安全规约Q237仅4/11失败，业务规则Q227却有8/11击穿七折底线。ERNIE 4.5以R3=0.8最抗压，折扣审批SLA比想象中更容易失守。